CN113192622B - 基于云边缘的ar巡检校验医疗数据的方法、装置及设备 - Google Patents

基于云边缘的ar巡检校验医疗数据的方法、装置及设备 Download PDF

Info

Publication number
CN113192622B
CN113192622B CN202110498374.0A CN202110498374A CN113192622B CN 113192622 B CN113192622 B CN 113192622B CN 202110498374 A CN202110498374 A CN 202110498374A CN 113192622 B CN113192622 B CN 113192622B
Authority
CN
China
Prior art keywords
user data
error
feature
error interval
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110498374.0A
Other languages
English (en)
Other versions
CN113192622A (zh
Inventor
徐涛
张军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Yiwei Technology Co ltd
Original Assignee
Shanghai Yiwei Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Yiwei Technology Co ltd filed Critical Shanghai Yiwei Technology Co ltd
Priority to CN202110498374.0A priority Critical patent/CN113192622B/zh
Publication of CN113192622A publication Critical patent/CN113192622A/zh
Application granted granted Critical
Publication of CN113192622B publication Critical patent/CN113192622B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本申请的基于云边缘的AR巡检校验医疗数据的方法、装置及设备，利用某些类型的样本医疗数据策略集的关键用户数据较为稳定的特点，通过将样本医疗数据策略集的当前用户数据与关键用户数据进行比较得到用户数据对应的误差值、进而对用户数据对应的误差值进行处理确定目标误差区间，从而可以基于所确定的目标误差区间按照一定规则在样本医疗数据策略集与预设标准标准策略进行校验，例如使预设标准标准策略在目标误差区间中具有相似度、调整预设标准标准策略的比较范围等，以尽可能避免预设标准标准策略在目标误差区间中比较至样本医疗数据策略集。

Description

基于云边缘的AR巡检校验医疗数据的方法、装置及设备
技术领域
本公开涉及云边缘、AR及数据校验的技术领域，特别涉及基于云边缘的AR巡检校验医疗数据的方法、装置及设备。
背景技术
边缘计算(Edge computing)是一种在物理上靠近数据生成的位置处理数据的方法，即事物和人所在的现场区域如家庭和远程办公室内。
增强现实(Augmented Reality，简称AR)，是一种实时地计算摄影机影像的位置及角度并加上相应图像的技术，是一种将真实世界数据和虚拟世界数据“无缝”集成的新技术，这种技术的目标是在屏幕上把虚拟世界套在现实世界并进行互动。
随着医疗数据化的发展，各大医院已经形成了HIS(HospitalInformationSystem，医院数据***)、LIS(Laboratory Information Management System，实验室数据管理***)等医疗数据***，这些医疗数据***中积累了大量的医疗数据。
然而，在实际操作过程中将AR获得到的相关医疗数据进行边缘计算，对相关医疗数据进行校验时，可能存在医疗数据传输到了应用端之后存在一定缺陷。
发明内容
为改善相关技术中存在的技术问题，本公开提供了基于云边缘的AR巡检校验医疗数据的方法、装置及设备。
本申请提供了一种基于云边缘的AR巡检校验医疗数据的方法，包括：
获取样本医疗数据策略集的关键用户数据；
比较所述样本医疗数据策略集的当前用户数据与所述关键用户数据中对应特征描述内容的特征向量，得到用户数据对应的误差值；
基于所述用户数据对应的误差值确定所述当前用户数据中的目标误差区间；
基于所确定的目标误差区间在样本医疗数据策略集与预设标准标准策略进行校验，使得在所述目标误差区间内，预设标准标准策略的相似度大于或等于预设标准相似度和/或预设标准标准策略的比较结果概率小于或等于预设标准结果概率。
进一步地，所述基于所述用户数据对应的误差值确定所述当前用户数据中的目标误差区间包括：
对所述用户数据对应的误差值进行二值化处理，使得所述用户数据对应的误差值中特征向量大于描述结果预设标准的特征描述内容被计算为第一特征值，特征向量小于描述结果预设标准的特征描述内容被计算为第二特征值；
基于被计算为第一特征值的特征描述内容的集合确定所述目标误差区间。
进一步地，所述基于被计算为第一特征值的特征描述内容的集合确定所述目标误差区间包括：
将经二值化处理的用户数据对应的误差值输入误差训练模型，来进行关联性处理，使得被计算为第一特征值的特征描述内容的集合形成至少一个关联误差区间，每个关联误差区间内的所有特征描述内容都被计算为第一特征值；
将所述至少一个关联误差区间确定为所述目标误差区间。
进一步地，所述对经二值化处理的用户数据对应的误差值输入误差训练模型包括：
用预先定义的组成医疗数据遍历该用户数据，得到目标用户数据，所述组成医疗数据包括关键区域，其中在所述组成医疗数据与该用户数据叠加的每一误差区间内，若该用户数据在该误差区间内的特征描述内容中存在为第一特征值的特征描述内容，则将该用户数据的与所述组成医疗数据的关键区域叠加的特征描述内容计算为第一特征值，否则计算为第二特征值；
用所述预先定义的组成医疗数据遍历所述目标用户数据，得到对比后的用户数据，其中在所述组成医疗数据与该用户数据叠加的每一误差区间内，若该用户数据在该误差区间内的所有特征描述内容均为第一特征值，则将该用户数据的与所述组成医疗数据的关键区域叠加的特征描述内容计算为第一特征值，否则计算为第二特征值。
进一步地，所述基于所述用户数据对应的误差值确定所述当前用户数据中的目标误差区间包括：
对所述用户数据对应的误差值输入误差训练模型，来进行关联性处理，使得所述用户数据对应的误差值中的所有特征描述内容被划分为至少一个第一关联误差区间和第二关联误差区间，所述至少一个第一关联误差区间中的特征描述内容的特征向量大于所述第二关联误差区间中的特征描述内容的特征向量；
基于所述至少一个第一关联误差区间确定所述目标误差区间。
进一步地，所述对所述用户数据对应的误差值输入误差训练模型包括：
用预先定义的组成医疗数据遍历该用户数据，得到目标用户数据，所述组成医疗数据包括关键区域，其中在所述组成医疗数据与该用户数据叠加的每一误差区间内，将该用户数据的与所述组成医疗数据的关键区域叠加的特征描述内容计算为该用户数据在该误差区间内的特征描述内容的最大特征向量；
用所述预先定义的组成医疗数据遍历所述目标用户数据，得到对比后的用户数据，其中在所述组成医疗数据与该用户数据叠加的每一误差区间内，将该用户数据的与所述组成医疗数据的关键区域叠加的特征描述内容计算为该用户数据在该误差区间内的特征描述内容的最小特征向量。
进一步地，还包括：
将所述至少一个第一关联误差区间中的特征描述内容计算为第一特征值，将所述第二关联误差区间中的特征描述内容计算为第二特征值。
进一步地，所述基于所确定的目标误差区间在样本医疗数据策略集与预设标准标准策略进行校验包括：
基于所确定的目标误差区间设置预设标准标准策略的描述结果，使得在所述目标误差区间内，预设标准标准策略具有大于或等于预设标准相似度的相似度，所述预设标准相似度大于20％小于或等于50％。
本申请提供了一种基于云边缘的AR巡检校验医疗数据的装置，包括AR数据采集端和终端设备，所述AR数据采集端和所述终端设备通信连接，所述终端设备包括：
用户数据获取模块，用于获取样本医疗数据策略集的关键用户数据；
数据误差确定模块，用于比较所述样本医疗数据策略集的当前用户数据与所述关键用户数据中对应特征描述内容的特征向量，得到用户数据对应的误差值；
误差区间确定模块，用于基于所述用户数据对应的误差值确定所述当前用户数据中的目标误差区间；
医疗数据校验模块，用于基于所确定的目标误差区间在样本医疗数据策略集与预设标准标准策略进行校验，使得在所述目标误差区间内，预设标准标准策略的相似度大于或等于预设标准相似度和/或预设标准标准策略的比较结果概率小于或等于预设标准结果概率。
本申请提供了一种终端设备，包括：
存储器，用于存储计算机程序；
与所述存储器连接的处理器，用于执行该存储器存储的计算机程序，以实现上述任意一项所述的方法。
本公开的实施例提供的技术方案可以包括以下有益效果。
基于云边缘的AR巡检校验医疗数据的方法、装置及设备，利用某些类型的样本医疗数据策略集的关键用户数据较为稳定的特点，通过将样本医疗数据策略集的当前用户数据与关键用户数据进行比较得到用户数据对应的误差值、进而对用户数据对应的误差值进行处理(诸如二值化处理、关联性处理)来确定目标误差区间，从而可以基于所确定的目标误差区间按照一定规则在样本医疗数据策略集与预设标准标准策略进行校验，例如使预设标准标准策略在目标误差区间中具有相似度、调整预设标准标准策略的比较范围等，以尽可能避免预设标准标准策略在目标误差区间中比较至样本医疗数据策略集。此外，这种医疗数据处理方案的计算复杂度较低，实时性较强，特别适合于需要实时处理样本医疗数据策略集的情况。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一局部，示出了符合本申请的实施例，并于说明书一起用于解释本申请的原理。
图1为本申请实施例所提供的基于云边缘的AR巡检校验医疗数据的***的架构示意图；
图2为本申请实施例所提供的基于云边缘的AR巡检校验医疗数据的方法的流程图；
图3为本申请实施例所提供的基于云边缘的AR巡检校验医疗数据的装置的功能模块框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
为了便于对上述的基于云边缘的AR巡检校验医疗数据的方法、装置及设备进行阐述，请结合参考图1，提供了本申请实施例所公开的基于云边缘的AR巡检校验医疗数据的***100的通信架构示意图。其中，所述基于云边缘的AR巡检校验医疗数据的***100可以包括AR数据采集端200以及终端设备300，所述AR数据采集端200与所述终端设备300通信连接。
在具体的实施方式中，AR数据采集端200可以是摄像头等可以实现数据采集的设备，在此不作过多限定，终端设备300可以是台式电脑、平板电脑、笔记本电脑、手机或者其他能够实现数据处理以及数据通信的终端设备，在此不作过多限定。
在上述基础上，请结合参阅图2，为本申请实施例所提供的基于云边缘的AR巡检校验医疗数据的方法的流程示意图，所述基于云边缘的AR巡检校验医疗数据的方法可以应用于图1中的终端设备300，进一步地，所述基于云边缘的AR巡检校验医疗数据的方法具体可以包括以下步骤S21-步骤S24所描述的内容。
步骤S21，获取样本医疗数据策略集的关键用户数据。
比如，关键用户数据表示样本医疗数据策略集中的重要内容，(例如：用户基本数据以及用户实时数据等)
步骤S22，比较所述样本医疗数据策略集的当前用户数据与所述关键用户数据中对应特征描述内容的特征向量，得到用户数据对应的误差值。
可以理解的是，用户数据对应的误差值表示相关医疗数据中错误的数据。
步骤S23，基于所述用户数据对应的误差值确定所述当前用户数据中的目标误差区间。
举例而言，目标误差区间表示相关错误的医疗数据的误差区间范围。
步骤S24，基于所确定的目标误差区间在样本医疗数据策略集与预设标准标准策略进行校验，使得在所述目标误差区间内，预设标准标准策略的相似度大于或等于预设标准相似度和/或预设标准标准策略的比较结果概率小于或等于预设标准结果概率。
可以理解，在执行上述步骤S21-步骤S24所描述的内容时，利用某些类型的样本医疗数据策略集的关键用户数据较为稳定的特点，通过将样本医疗数据策略集的当前用户数据与关键用户数据进行比较得到用户数据对应的误差值、进而对用户数据对应的误差值进行处理(诸如二值化处理、关联性处理)来确定目标误差区间，从而可以基于所确定的目标误差区间按照一定规则在样本医疗数据策略集与预设标准标准策略进行校验，例如使预设标准标准策略在目标误差区间中具有相似度、调整预设标准标准策略的比较范围等，以尽可能避免预设标准标准策略在目标误差区间中比较至样本医疗数据策略集。此外，这种医疗数据处理方案的计算复杂度较低，实时性较强，特别适合于需要实时处理样本医疗数据策略集的情况。
在一些可替换的实施例中，基于所述用户数据对应的误差值过程中，存在误差值不准确的技术问题，从而难以准确地确定所述当前用户数据中的目标误差区间，为了改善上述技术问题，步骤S23所描述的基于所述用户数据对应的误差值确定所述当前用户数据中的目标误差区间的步骤，具体可以包括以下步骤S231和步骤S232所描述的内容。
步骤S231，对所述用户数据对应的误差值进行二值化处理，使得所述用户数据对应的误差值中特征向量大于描述结果预设标准的特征描述内容被计算为第一特征值，特征向量小于描述结果预设标准的特征描述内容被计算为第二特征值。
步骤S232，基于被计算为第一特征值的特征描述内容的集合确定所述目标误差区间。
可以理解，在执行上述步骤S231和步骤S232所描述的内容时，于所述用户数据对应的误差值过程中，避免误差值不准确的技术问题，从而能够准确地确定所述当前用户数据中的目标误差区间。
在另一种可替换的实施例中，基于被计算为第一特征值的特征描述内容的集合的过程中，存在计算不准确的技术问题，从而难以准确地确定所述目标误差区间，为了改善上述技术问题，步骤S232所描述的基于被计算为第一特征值的特征描述内容的集合确定所述目标误差区间的步骤，具体可以包括以下步骤Q1和步骤Q2所描述的内容。
步骤Q1，将经二值化处理的用户数据对应的误差值输入误差训练模型，来进行关联性处理，使得被计算为第一特征值的特征描述内容的集合形成至少一个关联误差区间，每个关联误差区间内的所有特征描述内容都被计算为第一特征值。
步骤Q2，将所述至少一个关联误差区间确定为所述目标误差区间。
可以理解，在执行上述步骤Q1和步骤Q2所描述的内容时，基于被计算为第一特征值的特征描述内容的集合的过程中，避免计算不准确的技术问题，从而能够准确地确定所述目标误差区间。
在一些可替换的实施例中，对经二值化处理的用户数据对应的误差值输入误差训练模型过程中，存在二值化计算错误的问题，从而难以精确地计算得到误差值，为了改善上述技术问题，步骤Q1所描述的对经二值化处理的用户数据对应的误差值输入误差训练模型的步骤，具体可以包括以下步骤W1和步骤W2所描述的内容。
步骤W1，用预先定义的组成医疗数据遍历该用户数据，得到目标用户数据，所述组成医疗数据包括关键区域，其中在所述组成医疗数据与该用户数据叠加的每一误差区间内，若该用户数据在该误差区间内的特征描述内容中存在为第一特征值的特征描述内容，则将该用户数据的与所述组成医疗数据的关键区域叠加的特征描述内容计算为第一特征值，否则计算为第二特征值。
步骤W2，用所述预先定义的组成医疗数据遍历所述目标用户数据，，得到对比后的用户数据，其中在所述组成医疗数据与该用户数据叠加的每一误差区间内，若该用户数据在该误差区间内的所有特征描述内容均为第一特征值，则将该用户数据的与所述组成医疗数据的关键区域叠加的特征描述内容计算为第一特征值，否则计算为第二特征值
可以理解，在执行上述步骤W1和步骤W2所描述的内容时，对经二值化处理的用户数据对应的误差值输入误差训练模型过程中，避免二值化计算错误的问题，从而能够精确地计算得到误差值。
在一些可替换的实施例中，基于所述用户数据对应的误差值时，存在误差值输入误差训练模型中计算错误的问题，从而难以准确地确定所述当前用户数据中的目标误差区间，为了改善上述技术问题，步骤S23所描述的步骤，具体可以包括以下步骤E1和步骤E2所描述的内容。
步骤E1，对所述用户数据对应的误差值输入误差训练模型，来进行关联性处理，使得所述用户数据对应的误差值中的所有特征描述内容被划分为至少一个第一关联误差区间和第二关联误差区间，所述至少一个第一关联误差区间中的特征描述内容的特征向量大于所述第二关联误差区间中的特征描述内容的特征向量。
步骤E2，基于所述至少一个第一关联误差区间确定所述目标误差区间。
可以理解，在执行上述步骤E1和步骤E2所描述的内容时，基于所述用户数据对应的误差值时，避免误差值输入误差训练模型中计算错误的问题，从而能够准确地确定所述当前用户数据中的目标误差区间。
在一些可替换的实施例中，对所述用户数据对应的误差值输入误差训练模型，存在预先定义的组成医疗数据不准确地问题，从而难以准确地进行相关计算，为了改善上述技术问题，步骤E1所描述的对所述用户数据对应的误差值输入误差训练模型的步骤，具体可以包括以下步骤R1和步骤R2所描述的内容。
步骤R1，用预先定义的组成医疗数据遍历该用户数据，得到目标用户数据，所述组成医疗数据包括关键区域，其中在所述组成医疗数据与该用户数据叠加的每一误差区间内，将该用户数据的与所述组成医疗数据的关键区域叠加的特征描述内容计算为该用户数据在该误差区间内的特征描述内容的最大特征向量。
步骤R2，用所述预先定义的组成医疗数据遍历所述目标用户数据，得到对比后的用户数据，其中在所述组成医疗数据与该用户数据叠加的每一误差区间内，将该用户数据的与所述组成医疗数据的关键区域叠加的特征描述内容计算为该用户数据在该误差区间内的特征描述内容的最小特征向量。
可以理解，在执行上述步骤R1和步骤R2所描述的内容时，对所述用户数据对应的误差值输入误差训练模型，避免预先定义的组成医疗数据不准确地问题，从而能够准确地进行相关计算。
基于上述基础，还包括一下步骤z1所描述的内容。
步骤z1，将所述至少一个第一关联误差区间中的特征描述内容计算为第一特征值，将所述第二关联误差区间中的特征描述内容计算为第二特征值。
可以理解，在执行上述步骤z1所描述的内容时，通过多个特征描述内容进行多维度的计算，能准确地确定第一特征值和第二特征值。
在另一种可替换的实施例中，基于所确定的目标误差区间在样本医疗数据策略集与预设标准标准策略进行校验时，存在校验错误的问题，从而不能准确地进行校验，为了改善上述技术问题，步骤S24所描述的基于所确定的目标误差区间在样本医疗数据策略集与预设标准标准策略进行校验的步骤，具体可以包括以下步骤S241和步骤S242所描述的内容。
步骤S241，针对样本医疗数据策略集的多个用户数据，确定多个用户数据分区中的每个分区被目标误差区间覆盖的结果概率。
步骤S242，在被目标误差区间覆盖的结果概率小于或等于预设标准结果概率的分区中的至少一个分区中，在样本医疗数据策略集与预设标准标准策略进行校验。
可以理解，在执行上述步骤S241和步骤S242所描述的内容时，基于所确定的目标误差区间在样本医疗数据策略集与预设标准标准策略进行校验时，避免校验错误的问题，从而能准确地进行校验。
在另一种可替换的实施例中，确定多个用户数据分区中，存在结果概率值不准确的问题，从而难以准确地计算每个分区被目标误差区间覆盖的结果概率，为了改善上述技术问题，步骤S241所描述的确定多个用户数据分区中的每个分区被目标误差区间覆盖的结果概率的步骤，具体可以包括以下步骤V1和步骤V2所描述的内容。
步骤V1，确定该分区中每个特征描述内容被目标误差区间覆盖的结果概率值。
步骤V2，确定该分区中的各个特征描述内容被目标误差区间覆盖的结果概率值的统计特征，作为该分区被目标误差区间覆盖的结果概率。
可以理解，在执行上述步骤V1和步骤V2所描述的内容时，确定多个用户数据分区中，避免结果概率值不准确的问题，从而能够准确地计算每个分区被目标误差区间覆盖的结果概率。
在另一种可替换的实施例中，确定该分区中的各个特征描述内容被目标误差区间覆盖的结果概率值的统计特征时，存在局部特征描述内容不准确的问题，从而难以准确地确定该分区中的各个特征描述内容被目标误差区间覆盖的结果概率值的统计特征，为了改善上述技术问题，步骤V所描述的确定该分区中的各个特征描述内容被目标误差区间覆盖的结果概率值的统计特征的步骤，具体可以包括以下步骤k1所描述的内容。
步骤k1，计算该分区中的至少一局部特征描述内容被目标误差区间覆盖的结果概率值的平均值，作为所述统计特征。
可以理解，在执行上述步骤k1所描述的内容时，确定该分区中的各个特征描述内容被目标误差区间覆盖的结果概率值的统计特征时，避免局部特征描述内容不准确的问题，从而能够准确地确定该分区中的各个特征描述内容被目标误差区间覆盖的结果概率值的统计特征。
基于同样的发明构思，还提供了基于云边缘的AR巡检校验医疗数据的***，所述***包括AR数据采集端和终端设备，所述AR数据采集端与所述终端设备通信连接，终端设备具体用于：
获取样本医疗数据策略集的关键用户数据；
比较所述样本医疗数据策略集的当前用户数据与所述关键用户数据中对应特征描述内容的特征向量，得到用户数据对应的误差值；
基于所述用户数据对应的误差值确定所述当前用户数据中的目标误差区间；
基于所确定的目标误差区间在样本医疗数据策略集与预设标准标准策略进行校验，使得在所述目标误差区间内，预设标准标准策略的相似度大于或等于预设标准相似度和/或预设标准标准策略的比较结果概率小于或等于预设标准结果概率。
进一步的，终端设备具体用于：
对所述用户数据对应的误差值进行二值化处理，使得所述用户数据对应的误差值中特征向量大于描述结果预设标准的特征描述内容被计算为第一特征值，特征向量小于描述结果预设标准的特征描述内容被计算为第二特征值；
基于被计算为第一特征值的特征描述内容的集合确定所述目标误差区间。
进一步的，终端设备具体用于：
将经二值化处理的用户数据对应的误差值输入误差训练模型，来进行关联性处理，使得被计算为第一特征值的特征描述内容的集合形成至少一个关联误差区间，每个关联误差区间内的所有特征描述内容都被计算为第一特征值；
将所述至少一个关联误差区间确定为所述目标误差区间。
进一步的，终端设备具体用于：
用预先定义的组成医疗数据遍历该用户数据，得到目标用户数据，所述组成医疗数据包括关键区域，其中在所述组成医疗数据与该用户数据叠加的每一误差区间内，若该用户数据在该误差区间内的特征描述内容中存在为第一特征值的特征描述内容，则将该用户数据的与所述组成医疗数据的关键区域叠加的特征描述内容计算为第一特征值，否则计算为第二特征值；
用所述预先定义的组成医疗数据遍历所述目标用户数据，得到对比后的用户数据，其中在所述组成医疗数据与该用户数据叠加的每一误差区间内，若该用户数据在该误差区间内的所有特征描述内容均为第一特征值，则将该用户数据的与所述组成医疗数据的关键区域叠加的特征描述内容计算为第一特征值，否则计算为第二特征值。
进一步的，终端设备具体用于：
对所述用户数据对应的误差值输入误差训练模型，来进行关联性处理，使得所述用户数据对应的误差值中的所有特征描述内容被划分为至少一个第一关联误差区间和第二关联误差区间，所述至少一个第一关联误差区间中的特征描述内容的特征向量大于所述第二关联误差区间中的特征描述内容的特征向量；
基于所述至少一个第一关联误差区间确定所述目标误差区间。
进一步的，终端设备具体用于：
用预先定义的组成医疗数据遍历该用户数据，得到目标用户数据，所述组成医疗数据包括关键区域，其中在所述组成医疗数据与该用户数据叠加的每一误差区间内，将该用户数据的与所述组成医疗数据的关键区域叠加的特征描述内容计算为该用户数据在该误差区间内的特征描述内容的最大特征向量；
用所述预先定义的组成医疗数据遍历所述目标用户数据，得到对比后的用户数据，其中在所述组成医疗数据与该用户数据叠加的每一误差区间内，将该用户数据的与所述组成医疗数据的关键区域叠加的特征描述内容计算为该用户数据在该误差区间内的特征描述内容的最小特征向量。
进一步的，终端设备具体用于：
将所述至少一个第一关联误差区间中的特征描述内容计算为第一特征值，将所述第二关联误差区间中的特征描述内容计算为第二特征值。
进一步的，终端设备具体用于：
针对样本医疗数据策略集的多个用户数据，确定多个用户数据分区中的每个分区被目标误差区间覆盖的结果概率；
在被目标误差区间覆盖的结果概率小于或等于预设标准结果概率的分区中的至少一个分区中，在样本医疗数据策略集与预设标准标准策略进行校验。
进一步的，终端设备具体用于：
确定该分区中每个特征描述内容被目标误差区间覆盖的结果概率值；
确定该分区中的各个特征描述内容被目标误差区间覆盖的结果概率值的统计特征，作为该分区被目标误差区间覆盖的结果概率。
进一步的，终端设备具体用于：
计算该分区中的至少一局部特征描述内容被目标误差区间覆盖的结果概率值的平均值，作为所述统计特征。
基于上述同样的发明构思，请结合参阅图3，还提供了基于云边缘的AR巡检校验医疗数据的装置500的功能模块框图，关于所述基于云边缘的AR巡检校验医疗数据的装置500的详细描述如下。
基于云边缘的AR巡检校验医疗数据的装置500，应用于终端设备，所述装置500包括：
用户数据获取模块510，用于获取样本医疗数据策略集的关键用户数据；
数据误差确定模块520，用于比较所述样本医疗数据策略集的当前用户数据与所述关键用户数据中对应特征描述内容的特征向量，得到用户数据对应的误差值；
误差区间确定模块530，用于基于所述用户数据对应的误差值确定所述当前用户数据中的目标误差区间；
医疗数据校验模块540，用于基于所确定的目标误差区间在样本医疗数据策略集与预设标准标准策略进行校验，使得在所述目标误差区间内，预设标准标准策略的相似度大于或等于预设标准相似度和/或预设标准标准策略的比较结果概率小于或等于预设标准结果概率。
一种终端设备，包括：存储器，用于存储计算机程序；与所述存储器连接的处理器，用于执行该存储器存储的计算机程序，以实现图2任意一项所述的方法。
综上，基于云边缘的AR巡检校验医疗数据的方法、装置及设备，利用某些类型的样本医疗数据策略集的关键用户数据较为稳定的特点，通过将样本医疗数据策略集的当前用户数据与关键用户数据进行比较得到用户数据对应的误差值、进而对用户数据对应的误差值进行处理(诸如二值化处理、关联性处理)来确定目标误差区间，从而可以基于所确定的目标误差区间按照一定规则在样本医疗数据策略集与预设标准标准策略进行校验，例如使预设标准标准策略在目标误差区间中具有相似度、调整预设标准标准策略的比较范围等，以尽可能避免预设标准标准策略在目标误差区间中比较至样本医疗数据策略集。此外，这种医疗数据处理方案的计算复杂度较低，实时性较强，特别适合于需要实时处理样本医疗数据策略集的情况。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围执行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

Claims (3)

1.一种基于云边缘的AR巡检校验医疗数据的方法，其特征在于，包括：
获取样本医疗数据策略集的关键用户数据；
比较所述样本医疗数据策略集的当前用户数据与所述关键用户数据中对应特征描述内容的特征向量，得到用户数据对应的误差值；
基于所述用户数据对应的误差值确定所述当前用户数据中的目标误差区间；
基于所确定的目标误差区间在样本医疗数据策略集与预设标准标准策略进行校验，使得在所述目标误差区间内，预设标准标准策略的相似度大于或等于预设标准相似度和/或预设标准标准策略的比较结果概率小于或等于预设标准结果概率；
其中，所述基于所述用户数据对应的误差值确定所述当前用户数据中的目标误差区间包括：
对所述用户数据对应的误差值进行二值化处理，使得所述用户数据对应的误差值中特征向量大于描述结果预设标准的特征描述内容被计算为第一特征值，特征向量小于描述结果预设标准的特征描述内容被计算为第二特征值；
基于被计算为第一特征值的特征描述内容的集合确定所述目标误差区间；
其中，所述基于被计算为第一特征值的特征描述内容的集合确定所述目标误差区间包括：
将经二值化处理的用户数据对应的误差值输入误差训练模型，来进行关联性处理，使得被计算为第一特征值的特征描述内容的集合形成至少一个关联误差区间，每个关联误差区间内的所有特征描述内容都被计算为第一特征值；
将所述至少一个关联误差区间确定为所述目标误差区间；
其中，所述对经二值化处理的用户数据对应的误差值输入误差训练模型包括：
用预先定义的组成医疗数据遍历该用户数据，得到目标用户数据，所述组成医疗数据包括关键区域，其中在所述组成医疗数据与该用户数据叠加的每一误差区间内，若该用户数据在该误差区间内的特征描述内容中存在为第一特征值的特征描述内容，则将该用户数据的与所述组成医疗数据的关键区域叠加的特征描述内容计算为第一特征值，否则计算为第二特征值；
用所述预先定义的组成医疗数据遍历所述目标用户数据，得到对比后的用户数据，其中在所述组成医疗数据与该用户数据叠加的每一误差区间内，若该用户数据在该误差区间内的所有特征描述内容均为第一特征值，则将该用户数据的与所述组成医疗数据的关键区域叠加的特征描述内容计算为第一特征值，否则计算为第二特征值；
其中，所述基于所述用户数据对应的误差值确定所述当前用户数据中的目标误差区间包括：
对所述用户数据对应的误差值输入误差训练模型，来进行关联性处理，使得所述用户数据对应的误差值中的所有特征描述内容被划分为至少一个第一关联误差区间和第二关联误差区间，所述至少一个第一关联误差区间中的特征描述内容的特征向量大于所述第二关联误差区间中的特征描述内容的特征向量；
基于所述至少一个第一关联误差区间确定所述目标误差区间；
其中，所述对所述用户数据对应的误差值输入误差训练模型包括：
用预先定义的组成医疗数据遍历该用户数据，得到目标用户数据，所述组成医疗数据包括关键区域，其中在所述组成医疗数据与该用户数据叠加的每一误差区间内，将该用户数据的与所述组成医疗数据的关键区域叠加的特征描述内容计算为该用户数据在该误差区间内的特征描述内容的最大特征向量；
用所述预先定义的组成医疗数据遍历所述目标用户数据，得到对比后的用户数据，其中在所述组成医疗数据与该用户数据叠加的每一误差区间内，将该用户数据的与所述组成医疗数据的关键区域叠加的特征描述内容计算为该用户数据在该误差区间内的特征描述内容的最小特征向量；
其中，还包括：
将所述至少一个第一关联误差区间中的特征描述内容计算为第一特征值，将所述第二关联误差区间中的特征描述内容计算为第二特征值；
其中，所述基于所确定的目标误差区间在样本医疗数据策略集与预设标准标准策略进行校验包括：
基于所确定的目标误差区间设置预设标准标准策略的描述结果，使得在所述目标误差区间内，预设标准标准策略具有大于或等于预设标准相似度的相似度，所述预设标准相似度大于20％小于或等于50％。
2.一种基于云边缘的AR巡检校验医疗数据的装置，其特征在于，包括AR数据采集端和终端设备，所述AR数据采集端和所述终端设备通信连接，用于执行权利要求1所述的方法，所述终端设备包括：
用户数据获取模块，用于获取样本医疗数据策略集的关键用户数据；
数据误差确定模块，用于比较所述样本医疗数据策略集的当前用户数据与所述关键用户数据中对应特征描述内容的特征向量，得到用户数据对应的误差值；
误差区间确定模块，用于基于所述用户数据对应的误差值确定所述当前用户数据中的目标误差区间；
医疗数据校验模块，用于基于所确定的目标误差区间在样本医疗数据策略集与预设标准标准策略进行校验，使得在所述目标误差区间内，预设标准标准策略的相似度大于或等于预设标准相似度和/或预设标准标准策略的比较结果概率小于或等于预设标准结果概率。
3.一种终端设备，其特征在于，包括：
存储器，用于存储计算机程序；
与所述存储器连接的处理器，用于执行该存储器存储的计算机程序，以实现权利要求1所述的方法。
CN202110498374.0A 2021-05-08 2021-05-08 基于云边缘的ar巡检校验医疗数据的方法、装置及设备 Active CN113192622B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110498374.0A CN113192622B (zh) 2021-05-08 2021-05-08 基于云边缘的ar巡检校验医疗数据的方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110498374.0A CN113192622B (zh) 2021-05-08 2021-05-08 基于云边缘的ar巡检校验医疗数据的方法、装置及设备

Publications (2)

Publication Number Publication Date
CN113192622A CN113192622A (zh) 2021-07-30
CN113192622B true CN113192622B (zh) 2023-06-23

Family

ID=76984199

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110498374.0A Active CN113192622B (zh) 2021-05-08 2021-05-08 基于云边缘的ar巡检校验医疗数据的方法、装置及设备

Country Status (1)

Country Link
CN (1) CN113192622B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111460250A (zh) * 2020-03-02 2020-07-28 平安科技（深圳）有限公司 用于画像的数据的清洗方法、装置、介质及电子设备
WO2020215557A1 (zh) * 2019-04-24 2020-10-29 平安科技（深圳）有限公司 医学影像解释方法、装置、计算机设备及存储介质
CN111913873A (zh) * 2020-06-17 2020-11-10 浙江数链科技有限公司 图片校验方法、装置、***和计算机可读存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020215557A1 (zh) * 2019-04-24 2020-10-29 平安科技（深圳）有限公司 医学影像解释方法、装置、计算机设备及存储介质
CN111460250A (zh) * 2020-03-02 2020-07-28 平安科技（深圳）有限公司 用于画像的数据的清洗方法、装置、介质及电子设备
CN111913873A (zh) * 2020-06-17 2020-11-10 浙江数链科技有限公司 图片校验方法、装置、***和计算机可读存储介质

Also Published As

Publication number Publication date
CN113192622A (zh) 2021-07-30

Similar Documents

Publication Publication Date Title
CN110363076B (zh) 人员信息关联方法、装置及终端设备
US20210312163A1 (en) Face recognition method, device and electronic equipment, and computer non-volatile readable storage medium
CN113362314B (zh) 医学图像识别方法、识别模型训练方法及装置
CN110969045B (zh) 一种行为检测方法、装置、电子设备和存储介质
CN110941978A (zh) 一种未识别身份人员的人脸聚类方法、装置及存储介质
WO2021217937A1 (zh) 姿态识别模型的训练方法及设备、姿态识别方法及其设备
CN113344994B (zh) 图像配准方法、装置、电子设备及存储介质
CN113192622B (zh) 基于云边缘的ar巡检校验医疗数据的方法、装置及设备
CN115022201B (zh) 一种数据处理功能测试方法、装置、设备及存储介质
CN114674328B (zh) 地图生成方法、装置、电子设备、存储介质、及车辆
CN111124862B (zh) 智能设备性能测试方法、装置及智能设备
CN114155578A (zh) 人像聚类方法、装置、电子设备和存储介质
US11238267B1 (en) Distorted fingerprint matching using pose and minutia grouping
CN113313125A (zh) 图像处理方法和装置、电子设备、计算机可读介质
CN111369375A (zh) 一种社交关系确定方法、装置、设备及存储介质
CN110457705A (zh) 一种兴趣点数据处理方法、装置、设备和存储介质
CN111008324A (zh) 大数据下旅游服务推送方法、***、装置及可读存储介质
CN115497112B (zh) 表单识别方法、装置、设备以及存储介质
CN113642565B (zh) 对象检测方法、装置、设备及计算机可读存储介质
US20230401691A1 (en) Image defect detection method, electronic device and readable storage medium
CN113537199B (zh) 图像边界框筛选方法、***、电子装置及介质
CN110647519B (zh) 对测试样本中的缺失属性值进行预测的方法及装置
CN112152997B (zh) 面向设备识别的双因子认证方法、***、介质及服务端
CN108710567B (zh) 一种似然蜕变关系构造方法
CN111696157B (zh) 图像重定位的确定方法、***、设备和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant